本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

第 4 层：常见生成式 AI 用例的可重复应用模式

随着企业采用生成式人工智能，组织如何使用这种技术来推动业务价值的明确模式已经出现。这些常见用例展示了在不同业务职能中应用生成式人工智能的行之有效的方法。这些用例可以帮助组织确定自己的实施机会并确定其优先顺序。

通过了解这些既定用例，组织可以更好地评估生成式人工智能可以在哪些方面产生最直接的影响，同时为更广泛的采用奠定基础。本节介绍企业成功部署生成式人工智能解决方案的关键领域。

生成式 AI 驱动的助手

生成式人工智能助手为各种业务职能提供个性化、情境感知支持。这些工具非常适合高级用户。它们增强了那些学会将他们整合到工作流程中的员工的产出。通过使用语言模型，这些助手可以提高整个组织的效率、生产力和用户满意度。

AWS 提供 Amazon Q Bus iness，这是一款随时可用且高度可定制的企业级 AI 助手。实施包括根据组织特定的数据量身定制知识库，以做出准确、相关的回应。与客户关系管理 (CRM) 和企业资源规划 (ERP) 系统的集成增强了其实用性，并促进了整个企业的数据流畅和功能齐全。

对于软件开发团队， AWS 提供 Amazon Q 开发人员。此编码助手旨在通过协助代码生成、错误检测、重构建议和文档创建来提高工作效率。当无缝集成到集成开发环境 (IDEs) 中时，开发人员可以在他们通常的编码环境中直接访问其功能，从而简化工作流程并减少上下文切换。有关更多信息，请参阅本策略文档代码生成和分析中的。

生成式 AI 驱动的助手的常见用例包括：

为了最大限度地提高人工智能驱动的生成式助手的效率，可以考虑从有针对性的部署开始，例如在特定部门内部署。这可以帮助开发团队评估影响并收集用户反馈，然后再将其更广泛地推广到整个组织。这种分阶段的方法简化了采用过程，并优化了助手与企业需求的一致性。

有关构建企业生成式 AI 驱动的助手的更多信息，请参阅使用 Amazon Bedrock 代理和知识库开发基于聊天的全自动助手。

基于 RAG 聊天的助手

Out-of-the-box 基础模型虽然功能强大，但受其预训练数据的限制。他们对培训截止日期之外的最新事件缺乏了解，对公司特定的流程或自定义数据一无所知。这种限制使它们不适合许多需要组织知识的业务用例。

通过微调定制模型是一个复杂而昂贵的过程，为此收集高质量的训练数据可能是一个挑战。检索增强生成 (RAG) 通过将大型语言模型 (LLMs) 与组织的专有数据相结合，解决了这些局限性。RAG 方法创建基于特定领域知识的 AI 驱动的交互。有关 RAG 和微调的更多信息，请参阅用于查询自定义文档的生成式 AI 选项。

基于 RAG 聊天的助手的常见用例包括：

AWS 通过 A mazon Bedro ck 知识库简化基于 RAG 聊天的助手的实施。此服务可帮助您设置矢量数据库，以查询和检索自定义文档中的数据。主要功能包括与亚马逊简单存储服务 (Amazon S3) 集成以进行数据存储、与第三方服务（例如微 SharePoint 软和Atlassian Confluence）兼容、用于相关文档检索的高效矢量搜索功能，以及与基础模型（例如Anthropic Claude）集成以构建基于对话聊天的助手。首先，请确定一个定义明确、范围有限的知识库，然后用它来创建基于 proof-of-concept RAG 聊天的助手。随着实施规模的扩展，请注意数据的新鲜度和大规模检索操作的计算成本。

有关构建基于 RAG 聊天的助手的更多信息，请参阅以下内容：

生成式 AI 代理

生成式 AI 代理代表了复杂业务流程自动化方面的重大进步。这些代理可以通过分解任务和与各种系统交互来处理传统上需要人工干预的复杂工作流程。

生成式 AI 代理的典型应用包括用于多步骤业务流程的自动工作流程编排、用于跨部门任务完成的智能虚拟助手以及可以查询多个数据库的数据分析和报告生成代理。

AWS 提供诸如 Amazon Bedrock Ag ents 之类的工具来帮助您创建和部署 AI 代理。实施包括根据您的业务需求定义自定义操作和 API 集成。您还需要设置强大的错误处理和日志记录机制。您可以使用无服务器函数执行，使用 AWS LambdaAmazon API Gateway 进行管理 APIs，也可以AWS Step Functions用于工作流程编排。

Organizations 可以首先确定一个重复的多步骤流程，并规划其决策点和系统交互。这可以作为初始生成式 AI 代理的蓝图。关键考虑因素包括验证正确的错误处理方法和保持决策过程的透明度。

智能文档处理

智能文档处理 (IDP) 使用生成式 AI 和自然语言处理 (NLP) 来自动提取、分类和处理各种类型文档中的信息。IDP 可以将非结构化文档处理转变为自动化、可扩展的工作流程。

现代 IDP 解决方案可以采用两种方法：基于管道的传统处理或通过基础模型进行直接的多模态处理。要在此基础上构建传统管道 AWS，您可以将用于光学字符识别 (OCR) 和文档理解的 Amazon Textrac t 与用于高级分析的 A mazon Bedrock 基础模型相结合。或者，要通过基础模型进行直接的多模态处理，您可以使用 state-of-the-art基础模型（例如 Amazon Bedrock 中的 Anthropic Claude）在单个步骤中直接处理图像和扫描的文档。 PDFs

Organizations 可以根据自己的特定需求来选择自己的方法。传统管道在大批量处理和需要精细控制的场景中表现出色。通过基础模型进行直接的多模式处理非常适合需要通过复杂的上下文理解来提高准确性的复杂文档。

IDP 的常见用例包括以下内容：

实施通常使用事件驱动架构，这些架构使用 Amazon S3 和亚马逊简单队列服务 (Amazon SQS) Simple Queue Service。 AWS Lambda当您将文档上传到 Amazon S3 存储桶时，它会启动处理工作流程。结果存储在数据库（例如 Amazon DynamoDB）中，或者通过提取到业务系统中。 APIs为了获得最佳结果，组织应实施批处理策略、强大的错误处理和审计跟踪。在扩展范围之前，请先从特定的文档类型开始。

这种自动化显著减少了人工干预、处理时间和人为错误。它还可以帮助员工专注于需要判断力和专业知识的活动。

有关文档处理工作流程的更多信息，请参阅使用 Amazon Textract 自动从 PDF 文件中提取内容。

内容生成和摘要

生成式 AI 模型擅长生成和汇总内容。这使它们成为各种业务应用程序的宝贵工具。您可以使用大型语言模型的自然语言处理功能来创建或浓缩基于文本的信息。

内容生成和摘要的常见用例包括：

上的实施 AWS 通常包括使用 Amazon Bedrock 执行文本生成和摘要任务。Amazon Comprehend 可用于实体识别和情感分析，从而增强生成内容的背景和质量。

内容生成和摘要应用程序的最佳实践包括实施内容审查和质量控制 human-in-the-loop流程，使用经过微调的模型生成特定领域的内容，以及实施内容过滤器以确保品牌一致性和遵守指导方针。

例如，您可以使用生成式 AI 来分析患者的临床数据并生成摘要和临床记录。有关更多信息，请参阅使用增强的患者数据构建医疗智能应用程序。

代码生成和分析

生成式 AI 模型具有非凡的能力，可以跨各种编程语言理解和生成代码。您的开发人员可以使用这些功能来帮助编写、重构和分析代码。

常见的用例包括以下几种：

AWS 提供了多种服务来帮助支持这种模式。Amazon Q Developer 提供人工智能辅助的代码生成，可帮助开发人员更快地编写代码，减少错误。Amazon CodeGuru 提供智能代码审查和性能建议。您可以将这些服务与集成， AWS Lambda 以执行和测试无服务器代码。

代码生成和分析应用程序的最佳实践包括将 AI 辅助编码工具集成到现有开发环境中。考虑实施严格的代码审查流程，以确保生成的代码符合质量标准。使用 AI 进行初始代码草稿，但要依靠人类的专业知识来做出最终的实施决策。

有关构建编码助手的更多信息，请参阅使用 Amazon Q Developer 作为编码助手来提高工作效率。

多模态人工智能应用程序

多模态人工智能应用程序结合了不同类型的数据输入和输出，例如文本、图像、音频和视频。这种模式利用先进的生成式人工智能模型的能力来理解和生成跨多种模式的内容。

多模态人工智能应用程序的常见用例包括：

开启 AWS后，您可以将 Amazon Bedrock 用于多式联运基础模型。其他服务包括用于图像和视频分析的亚马逊 Re kognition、用于转换的 Ama zon Transcribe 和 speech-to-text用于转换的 Amazon Polly。 text-to-speech这些服务可以增强应用程序的多式联运能力。

多模态人工智能应用的最佳实践包括确保用于训练和微调多模态模型的高质量、多样化的数据集。此外，还要对不同的输入模式实施强大的错误处理，并仔细考虑多模态人工智能系统中的伦理含义和潜在偏见。

有关构建多模式应用程序的更多信息，请参阅使用 Amazon Bedrock 和 Amazon Transcribe 通过语音输入记录机构知识。

实施建议

要在整个组织中为生成式 AI 有效实施可重复的应用程序模式，请考虑以下建议：